Στον περίπλοκο χορό της ζωής όπου τα κύτταρα πολλαπλασιάζονται και διαφοροποιούνται για να σχηματίσουν τα διαφορετικά τμήματα των οργανισμών, η κατανόηση της προέλευσης κάθε κυττάρου μπορεί να είναι ζωτικής σημασίας. Αυτό οι βιολόγοι το αποκαλούν «κυτταρική γενεαλογία», δηλαδή ένα οικογενειακό δέντρο, για τα κύτταρα.
Όπως μπορεί κάποιος να βρει την καταγωγή του από τους παππούδες του και όχι μόνο, οι επιστήμονες μπορούν να εντοπίσουν πώς τα κύτταρα διαιρούνται και εξελίσσονται από ένα μόνο «γονικό» κύτταρο σε διάφορα κύτταρα «απογόνους», που το καθένα έχει τον δικό του ρόλο στο σώμα.
Ο προσδιορισμό των κυτταρικών γενεαλογιών βοηθά τους επιστήμονες να κατανοήσουν το πώς πολύπλοκοι οργανισμοί, όπως οι άνθρωποι, δημιουργούνται από την εξέλιξη ενός μόνο γονιμοποιημένου ωαρίου σε τρισεκατομμύρια εξειδικευμένα κύτταρα και πώς οι διαταραχές αυτής της διαδικασίας μπορούν να οδηγήσουν σε ασθένειες όπως ο καρκίνος. Ωστόσο, ο τομέας αντιμετωπίζει σημαντικά εμπόδια, κυρίως επειδή η ανίχνευση της γενεαλογίας απαιτεί πολύπλοκες και εντατικές τεχνικές.
Τώρα, επιστήμονες με επικεφαλής τους Almut Eisele και David Suter στην Ομοσπονδιακή Πολυτεχνική Σχολή της Λοζάνης (EPFL) ανέπτυξαν ένα υπολογιστικό εργαλείο που μπορεί να επεξεργαστεί τις οικογενειακές σχέσεις μεταξύ των κυττάρων χωρίς την ανάγκη εξειδικευμένων πειραματικών μεθόδων ανίχνευσης γενεαλογίας.
Το εργαλείο που ονομάζεται Gene Expression Memory-based Lineage Inference (GEMLI) απαιτεί μόνο δεδομένα αλληλούχησης RNA μεμονωμένων κυττάρων (scRNA-seq), μια ευρέως χρησιμοποιούμενη τεχνική που συλλαμβάνει «στιγμιότυπα» των γονιδίων που εκφράζονται από ένα μεμονωμένο κύτταρο σε οποιονδήποτε χρόνο.
Το GEMLI αξιοποιεί τη μνήμη της γονιδιακής έκφρασης. Ακριβώς όπως θυμάται κάποιος μια συνταγή που την έχει φτιάξει πολλές φορές, έτσι ορισμένα γονίδια διατηρούν την ένταση με την οποία εκφράζονται σε πολλές γενιές κυττάρων. Αξιοποιώντας αυτά τα «γονίδια μνήμης» σε σύνολα δεδομένων scRNA-seq, το GEMLI μπορεί να συνδυάσει τις οικογενειακές σχέσεις μεταξύ διαφορετικών κυττάρων και να ανακατασκευάσει αποτελεσματικά το γενεαλογικό τους δέντρο με βάση αποκλειστικά τα πρότυπα γονιδιακής έκφρασης.
Οι επιστήμονες δοκίμασαν αυστηρά το GEMLI σε διάφορους τύπους και καταστάσεις κυττάρων, συμπεριλαμβανομένων των εμβρυϊκών βλαστοκυττάρων, των ινοβλαστών, των κυττάρων του αίματος, των εντερικών κυττάρων και διαφόρων τύπων καρκινικών κυττάρων, τόσο in vitro όσο και in vivo και σε όλες τις δοκιμές, το GEMLI αποδείχθηκε στιβαρό και ευέλικτο.
Η ομάδα εφάρμοσε επίσης το GEMLI σε ανθρώπινα δείγματα πρωτογενούς καρκίνου του μαστού, όπου δεν μπορούν να χρησιμοποιηθούν εναλλακτικές μέθοδοι ταυτοποίησης της γενεαλογίας. «Το GEMLI λειτουργεί καλύτερα στην ανακατασκευή μικρών έως μεσαίων σειρών (περίπου 30-50 κύτταρα), επιτρέποντας τη μεγέθυνση σε σημεία διακλάδωσης κατά την εξέλιξη του καρκίνου», λέει ο David Suter. «Με τον εντοπισμό κυττάρων στο σημείο μετάβασης από έναν in situ σε έναν επεμβατικό φαινότυπο, μπορεί κανείς να ανακτήσει γονίδια που δυνητικά καθοδηγούν την εξέλιξη του καρκίνου.
Το GEMLI λειτουργεί εντοπίζοντας και αξιοποιώντας γονίδια μνήμης μέσα σε μια απέραντη ‘θάλασσα’ γενετικών πληροφοριών, για τον προσδιορισμό της γενεαλογίας των κυττάρων. Αναλύοντας τις λεπτές αποχρώσεις στη γονιδιακή έκφραση, το GEMLI αναδεικνύει το πώς σχετίζονται τα κύτταρα μεταξύ τους.
Το GEMLI δεν απαιτεί εξειδικευμένο εξοπλισμό ή αλλαγές σε τυπικές εργαστηριακές πρακτικές, είναι δωρεάν διαθέσιμο και επιτρέπει την αναγνώριση γενεαλογίας από σχεδόν οποιοδήποτε τυπικό σύνολο δεδομένων scRNA-seq. «Είμαστε ενθουσιασμένοι για τις δυνατότητες του GEMLI να αξιοποιήσει τον μεγάλο αριθμό των ανοικτών συνόλων δεδομένων scRNA-seq ανθρώπινου καρκίνου για να αναλύσουμε τον τρόπο με τον οποίο άλλοι τύποι καρκίνου μεταβαίνουν σε έναν επεμβατικό φαινότυπο», λέει ο Suter.
Πηγή: EPFL
